Морфологические признаки это что: Морфологические признаки существительного — Русский язык без проблем

Прогнозирование будущих морфологических изменений поражений по поглощению радиоактивных индикаторов на изображениях 18F-FDG-PET

Abstract

Мы представляем новую вычислительную платформу, позволяющую автоматически идентифицировать особенности текстуры и формы поражений на ¹⁸ F-FDG-PET изображениях с помощью метода сегментации изображений на основе графиков.Предлагаемая схема позволяет с высокой точностью прогнозировать будущие морфологические изменения очагов поражения. Представленная методология имеет несколько преимуществ по сравнению с традиционными качественными и полуколичественными методами благодаря ее полностью количественной природе и высокой точности на каждом этапе (i) обнаружения, (ii) сегментации и (iii) выделения признаков. Чтобы оценить предложенную нами вычислительную структуру, тридцать пациентов получили 2 ¹⁸ F-FDG-PET сканирований (всего 60 сканирований) в два разных момента времени. Метастатическая папиллярная почечно-клеточная карцинома, гемонгиобластома мозжечка, немелкоклеточный рак легкого, нейрофиброма, лимфоматоидный гранулематоз, новообразование легких, нейроэндокринная опухоль, образование мягких тканей грудной клетки, ненекротизирующее гранулематозное воспаление, почечно-клеточный рак с диффузно-папиллярными признаками лимфома, метастатическая саркома альвеолярной мягкой части и мелкоклеточный рак легкого были включены в этот анализ.Накопление радиоактивных индикаторов на снимках пациентов автоматически обнаруживалось и сегментировалось с помощью предложенного алгоритма сегментации. Выделенные области использовались для извлечения форм и текстурных особенностей с предложенной структурой извлечения адаптивных признаков, а также стандартизованными значениями поглощения (SUV) областей поглощения для проведения широкого количественного анализа. Оценка результатов сегментации показывает, что предлагаемый нами алгоритм сегментации имеет средний коэффициент сходства игральных костей 85,75 ± 1,75%.Мы обнаружили, что 28 из 68 извлеченных признаков изображения хорошо коррелировали с SUV _max ( p <0,05), а некоторые текстурные особенности (такие как энтропия и максимальная вероятность) были лучше при прогнозировании морфологических изменений регионов поглощения радиоактивных индикаторов в долгосрочном плане. , по сравнению с функцией одиночной интенсивности, такой как SUV _max . Мы также обнаружили, что интеграция текстурных особенностей с измерениями SUV значительно улучшает точность прогнозирования морфологических изменений (коэффициент корреляции Спирмена = 0.8715, p <2e-16).

Образец цитирования: Багчи Ю., Яо Дж., Миллер-Джастер К., Чен Х, Моллура Д. Д. (2013) Прогнозирование будущих морфологических изменений поражений на основе поглощения радиоактивных индикаторов на изображениях 18F-FDG-PET. PLoS ONE 8 (2): e57105. https://doi.org/10.1371/journal.pone.0057105

Редактор: Чин-Ту Чен, Чикагский университет, Соединенные Штаты Америки

Поступила: 12.04.2012; Одобрена: 22 января 2013 г .; Опубликовано: 19 февраля 2013 г.

Это статья в открытом доступе, свободная от всех авторских прав, и ее можно свободно воспроизводить, распространять, передавать, изменять, строить или иным образом использовать в любых законных целях.Работа сделана доступной по лицензии Creative Commons CC0 как общественное достояние.

Финансирование: Это исследование поддерживается Программой обучения визуальным наукам (ISTP), Центром визуализации инфекционных заболеваний (CIDI), Внутренней программой Национальных институтов аллергии и инфекционных заболеваний и Программой внутренних исследований Национальные институты био-визуализации и биоинженерии при Национальных институтах здоровья (NIH). Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили, что конкурирующих интересов не существует.

Введение

Позитронно-эмиссионная томография (ПЭТ) — это неинвазивный метод функциональной визуализации, который фиксирует распределение биологически направленных радиоактивных индикаторов на молекулярном уровне с высокой чувствительностью [1]. Стандартизованное значение поглощения (SUV) часто используется в клинической ПЭТ-визуализации как полуколичественное функциональное измерение активности радиоактивных индикаторов, нормализованное по дозе и массе тела (или безжировой массе тела или площади поверхности тела).Недавние исследования были направлены на улучшение характеристики характеристик поглощения радиоактивных индикаторов с целью анализа поражений [2] — [5]. Эти попытки охарактеризовать паттерны поглощения основаны на ограничении измерений SUV, таких как несовместимые пороговые значения для различения доброкачественной и злокачественной активности, эффекты частичного объема, состав тела и габитус. Обратите внимание, что SUV линейно связаны с интенсивностью изображения через параметры пациента и сканера, а также кинетику радиоиндикатора.Несмотря на параметрическую связь, различные составы внедорожников (например, SUV _max , SUV _mean и т. Д.) Используются для преодоления текущих ограничений измерений SUV [3], а также для всестороннего анализа локальных и глобальных характеристик текстуры и формы поглощения. регионы остаются без внимания. Для извлечения характерных особенностей текстуры / формы из областей поглощения требуются надежные, точные и надежные сегменты медицинских изображений; однако, в первую очередь из-за перекрытия или близкого наложения аномальных сигналов с окружающими нормальными структурами, фоновой активности радиоактивных индикаторов, артефактов на основе реконструкции изображений, эффектов частичного объема, низкого разрешения и т. д., сегментация изображения ПЭТ может быть сложной задачей. Многие исследования с использованием сегментации изображений ПЭТ выполняются с использованием ручных подходов — фиксированного, адаптивного или итеративного порогового определения — и методов на основе области, таких как нечеткие c-средние (FCM), наращивание области или методы сегментации водораздела [6] — [ 10]. Однако все эти методы имеют ограничения в клинической практике из-за следующих ограничений: (i) желаемая физическая точность обычно намного превосходит результаты методов, особенно для небольших поражений и поглощений несферической формы, и (ii) надежность и Воспроизводимость очертаний — это две нерешенные проблемы при сегментации областей поглощения из изображений ПЭТ, потому что алгоритм, работающий в различных условиях отношения сигнал / фон — с аналогичной производительностью и последовательно выдающий одинаковые / похожие результаты — отсутствует.

Наша цель в этом исследовании — изучить особенности визуализации, которые потенциально могут определять морфологическую характеристику поглощения радиоактивных индикаторов и надежно прогнозировать морфологические изменения аномальных областей. Наше исследование дало надежный, точный и эффективный метод сегментации изображения, который позволяет проводить всесторонний анализ текстуры. Связь как текстурных, так и формальных характеристик с особенностями, основанными на интенсивности (например, внедорожником), также была проанализирована с использованием многомерной и байесовской статистики.В этой статье мы представляем теоретический анализ методов текстурной характеристики и сегментации изображения, а также экспериментально демонстрируем, что предложенные особенности на основе текстуры, извлеченные из точно очерченных областей поглощения радиоактивных индикаторов, потенциально могут использоваться в качестве полуколичественных инструментов при анализе продольной морфологии. анализ изменений. Предполагается, что комбинация SUV _max и предложенных текстурных особенностей позволяет более эффективно прогнозировать морфологические изменения аномальных областей.Предложенные методы использовались для обнаружения и идентификации патологий легких у пациентов, которым проводились ПЭТ-КТ и гистопатологическая биопсия. Продольный анализ этих пациентов был использован для оценки обобщаемости и согласованности предложенного метода. Хотя изменения в усвоении или внедорожниках могут использоваться в качестве количественного показателя реакции на лечение, в этом исследовании мы ограничиваемся только морфологическими изменениями и прогнозированием этих изменений в пространстве изображений с целью разработки количественной и надежной вычислительной платформы.

Методы

Пациенты и ПЭТ-КТ

С одобрения IRB мы собрали 60 ¹⁸ снимков F-FDG-PET от 30 пациентов. Исследуемая популяция состояла из 12 мужчин и 18 женщин, средний возраст 48 ± 12,6 года для женщин (диапазон: 35–75, медиана: 45 лет), 44 ± 14,5 лет для мужчин (диапазон: 27–64, медиана: 47 лет). ), соответственно. У всех пациентов было первичное неметастатическое, метастатическое заболевание или системная вирусная инфекция во время первого сканирования ПЭТ.Исследуемая группа состояла из непоследовательных пациентов с диагнозом первичный рак легкого (NSCLC и SCLC), диффузная крупноклеточная лимфома (DLBCL), метастатическая папиллярная почечно-клеточная карцинома, гемонгиобластома мозжечка, нейрофиброма, лимфоматоидный гранулематоз, новообразование легких, нейроэндокринная опухоль, нейроэндокринная опухоль. мягкие ткани грудной клетки, ненекротическое гранулематозное воспаление, почечно-клеточная карцинома с папиллярными и кистозными признаками или метастатическая альвеолярная саркома мягкой части. Все 30 пациентов прошли протокол ¹⁸ F-FDG-PET / CT, по которому пациенты должны были голодать минимум 6 часов перед сканированием.Уровень глюкозы в сыворотке был измерен, чтобы убедиться, что значение было менее 118 мг / дл (6,5 ммоль / л). В конце 6-часового периода пациентам внутривенно вводили 321,9–395,9 МБк (8,7–10,7 мКи, медиана 10,2 мКи) из ¹⁸ F-FDG с последующим периодом поглощения 45–60 минут перед получением изображения. (средний период поглощения = 54,5 минуты, минимальный период поглощения = 45 минут, максимальный период поглощения = 60 минут). Для анализа продольных исследований отклонение периодов поглощения ¹⁸ F-FDG между исходным и последующим сканированием должно быть в пределах +/- 10 минут [11], а в нашем исследовании среднее отклонение составляло менее одной минуты. .Отклонение периода поглощения ¹⁸ F-FDG между исходным и последующим сканированиями было следующим: 22 пациента менее 1 минуты, 7 пациентов примерно 2 минуты и только у одного пациента разница в 4 минуты; следовательно, не наблюдалось значительных различий во времени захвата между исходным и последующим сканированием. Более того, средняя вариация введенного ¹⁸ F-FDG (по всем пациентам) между исходным и последующим сканированиями составила 1,05 мКи. ПЭТ-изображения были получены при 2–3-минутном сканировании излучения на кровать для 5–6 положений кровати в режиме 3D-съемки.Соответствующая недиагностическая КТ с низкой дозой была получена для коррекции ослабления и анатомической локализации. Изображения ПЭТ-КТ были собраны в двух разных временных точках (исходный уровень и последующее наблюдение; средний временной интервал между сканированиями составлял 267 дней, средний: 206 дней, в диапазоне от 64 до 719 дней при множественных сканированиях). Изображения имели разрешение 150 × 150 пикселей, что соответствовало размеру пикселя 4 мм × 4 мм и интервалу между срезами 4 мм. Исходное и последующее сканирование каждого пациента было тщательно проанализировано, и во время компьютерного анализа и анализа на основе SUV учитывались и отслеживались до пяти поражений в долгосрочном плане (таблица 1).Поскольку не у всех пациентов были множественные поражения, во избежание предвзятости в сторону небольших / больших размеров или правильной / неправильной формы поражения, мы отслеживали как можно больше поражений у пациентов для продольной количественной оценки. Последующее сканирование пациентов было получено сразу после пяти циклов химиотерапии для согласованности оценок, и мы использовали критерии оценки ответа на солидные опухоли (RECIST), поскольку он предполагал использование пяти поражений на орган (максимум до 10 поражений). для анализа.Также обратите внимание, что пациенты с вторичными тяжелыми симптомами и осложнениями, такими как почечная недостаточность в течение этих пяти циклов, не были включены в процедуру отбора и, следовательно, в исследование.

Анализ областей поглощения с использованием элементов текстуры и формы

Анализ текстуры предоставляет количественную информацию, описывающую такие свойства изображений, как грубость и гладкость. Поиск полезных текстурных особенностей и отличительной статистики в области обработки изображений значительно продвинулся за последние три десятилетия [12].Матрицы совместной встречаемости [13], статистика длин серий [14], локальные формы [15] и клики в марковских случайных полях [16], а также многие расширения этих характерных особенностей хорошо известны в различных дисциплинах. Параллельно с этими разработками, в недавних публикациях, особенности текстуры и формы областей поглощения были использованы для характеристики рака пищевода [3], сарком человека [15], рака шейки матки, головы и шеи [4]. В частности, местные характеристики тканей, полученные с помощью ПЭТ и смоделированные с помощью текстурной неоднородности — с помощью компьютерных алгоритмов, — были исследованы, чтобы понять биологическую функцию различных тканей.Однако на практике вышеупомянутые вычислительные методы, используемые для анализа функционального захвата в изображениях ПЭТ, не обеспечивают общий способ надежного вывода из-за очень возможных ошибок сегментации и трудностей в характеристике глобальных и локальных характеристик. Отметим также, что неточное определение областей поглощения может привести к значительным изменениям в извлеченных характеристиках. И последнее, но не менее важное: локальные вариации значений характеристик обычно игнорировались или не принимались во внимание в таких исследованиях [5], [13], [14], [17] — [19].Однако мы постулируем, что локальные вариации значений признаков могут быть более эффективными, чем сами признаки, с точки зрения уровней корреляции. В этом исследовании мы рассмотрели все эти проблемы в два этапа: (i) предложив надежный, точный и быстрый метод сегментации, как описано в следующем подразделе, и (ii) путем широкого и глубокого анализа различных текстурных и формальных характеристик, а также их локальные отклонения от четко очерченных регионов. На рисунке 1 показаны типы признаков и связанные с ними особенности, извлеченные из очерченных областей поглощения из изображений ПЭТ.Краткое описание функций объясняется в следующих подразделах.

Рисунок 1. Средняя интенсивность (AVGint), стандартное отклонение интенсивностей (SDint), медианное значение интенсивностей (MEDIANint), максимальное абсолютное отклонение интенсивностей (MADint), межквартиль гистограммы интенсивности (IRQint), автокорреляция (ACorr), контрастный оттенок (Cshade), однородность (Homog), разность энтропии (DiffEntropy), максимальная вероятность (MAX-PR), суммирование квадратов значений интенсивности (SUM-SQR), суммирование среднего значения значений интенсивности (SUM-AVG), суммирование изменение значений интенсивности (SUM-VAR), кратковременное выделение (SRE), долгое выделение (LRE), неоднородность уровня серого (GLN), неоднородность длины серии (RLN), процент выполнения (RP), низкий уровень серого выделение уровня серого (LGRE), выделение высокого уровня серого (HGRE), кратковременное выделение низкого уровня серого (SRLE), краткосрочное выделение высокого уровня серого (SRHGE), долгое выделение низкого уровня серого (LRLGE), долгое выделение высокого уровня серого уровень выделения (LRHGE).

https://doi.org/10.1371/journal.pone.0057105.g001

Сегментация изображений при автоматическом случайном блуждании (ARW)

Когда изображения имеют низкое разрешение и содержат шум, алгоритмы сегментации на основе графов оказались более полезными, чем методы сегментации на основе границ и пороговых значений [20] — [23]. ПЭТ-изображения, как природа процесса реконструкции, представляют собой изображения с низким разрешением, высокой контрастностью и шумом; поэтому алгоритмы сегментации на основе графов больше подходят для сегментации поглощения радиоактивных индикаторов.Мы использовали алгоритм адаптивной теоретико-графической сегментации — сегментацию изображений с автоматическим случайным блужданием (ARW) — для получения автоматизированных, эффективных и воспроизводимых результатов очерчивания объектов из изображений ПЭТ. ARW работает следующим образом: сначала объект и фон грубо идентифицируются с использованием алгоритма автоматической области интереса (IUR), а затем некоторые воксели помечаются как объект или фоновая область соответственно. Во-вторых, запускается алгоритм разграничения, чтобы эффективно и быстро определить метку оставшихся немаркированных вокселей.Предлагаемый ARW определяет наивысшие вероятности для присвоения меток вокселам, измеряя «взаимосвязь / единство», инициируя случайные блуждания из помеченного воксела и достигая сначала немаркированного вокселя случайным блуждающим. Предлагаемый метод отличается от обычного алгоритма случайного блуждания [24] следующим образом: (i) предлагаемый метод полностью автоматизирован, поскольку он автоматически обнаруживает интересные области поглощения (IUR), и (ii) предлагаемый алгоритм выполняется на основе SUV вокселей и априорных распределений вероятностей SUV вокселей были рассчитаны с использованием надежного метода оценки ядерной плотности [25] вместо использования простых предположений Гаусса.Для (i) мы автоматически локализовали начальные точки для разделения объекта и фона на основе высокой контрастности изображений ПЭТ. Мы выполнили этот этап идентификации, определив функцию кодировщика c (см. Уравнение 1.1), которая является пороговым интервалом для изображений ПЭТ: (1.1) где и. Области, идентифицированные функцией кодирования, рассматривались как IUR. После того, как IUR были идентифицированы для каждого IUR, воксели с SUV _max этого конкретного IUR были помечены как семена переднего плана (т.е.е., внедорожник ^IUR _макс ). Затем мы исследовали его окрестности с помощью алгоритма маркировки 8-графов связности [26], чтобы найти воксели со значениями, меньшими и равными SUV _max / N , где N — предварительно определенное значение больше 1. Те воксели были помечены как семена фона. После того, как начальный план переднего плана и начальный фон были локализованы (т. Е. Этап автоматического обнаружения), этими входными данными была инициирована сегментация изображения случайного блуждания. Во всех экспериментах N было установлено на 2.5, как при обычном клиническом использовании (т. Е. 40% от SUV _max обычно выбирается в качестве порогового значения) [2]. Для (ii), вместо использования чистых значений интенсивности вокселей, мы адаптировали SUV вокселей в алгоритме ARW. Кроме того, во время вычисления априорных распределений вероятностей помеченных (то есть локализованных начальных значений) вокселей мы использовали метод оценки адаптивного ядра [25] для точного вычисления априорных значений, даже если количество помеченных вокселей было небольшим. В предлагаемом подходе к обнаружению важно подчеркнуть, что семена переднего плана локализуются на основе самых высоких значений интенсивности (т.е.е., SUV _max ), тогда как фоновые начальные числа локализованы по отношению к начальным числам переднего плана с помощью алгоритма поиска. Поскольку для сегментации случайного блуждания требуется только несколько сигналов для переднего плана и фона, и она достаточно устойчива к проблеме утечки, обычно наблюдаемой в алгоритмах вырезания графов, «грубой» идентификации параметра N достаточно для завершения процесса заполнения. Отметим также, что сегментация в целом может рассматриваться как состоящая из двух связанных задач: распознавания и разграничения.Распознавание — это процесс приблизительного определения того, «где» находятся объекты, и он отличает их от других объектно-подобных объектов на изображении, в то время как очерчивание — это последний шаг для определения пространственной протяженности области / границы объекта на изображении. Эта задача распознавания хорошо совпадает с нашим алгоритмом обнаружения, который примерно идентифицирует IUR и передает эту информацию для определения случайных блужданий, чтобы сделать его полностью автоматизированным. Дополнительную информацию и экспериментальные подтверждения автоматического обнаружения IUR можно найти в приложении S1 .

Случайные блуждания для сегментации изображений.

Позволяет представить изображение в виде взвешенного неориентированного графа (, и) с его узлами / вершинами (v _i ) как вокселями и ребрами (e _j ), определенным как смежность вокселей со значениями стоимости, присвоенными ребрам (w _ij ). Мы использовали ненормализованную гауссову весовую функцию, чтобы определить веса ребер как, где g _i представляет SUV вокселя i . Согласно соглашению об обнаруженных IUR, некоторые из вершин графа были известны (обозначены V _M ), а некоторые не были известны (обозначены V _U ), так что и.Проблема сегментации сводилась к поиску меток непомеченных вершин (узлов). Комбинаторная формулировка этой ситуации может быть записана в виде интеграла Дирихле как: (1.2) где C — диагональная матрица с весами каждого ребра по диагонали, а A и L (= A ^T CA) — инцидентность и лапласиан матрицы, указывающие комбинаторные градиенты, и определенные как (1.3)

Решение комбинаторной задачи Дирихле может быть найдено путем нахождения критических точек систем.Дифференцируя D [ x ] относительно x и решая систему линейных уравнений с | V _U | неизвестные дали набор меток для немаркированных вершин. На рис. 2 (а и б) показан общий вид предлагаемого нами программного обеспечения, где любой выбранный срез ПЭТ-сканирования (рис. 2а), автоматическое обнаружение ВМР было завершено до разграничения, а выделенные области (рис. 2б) были объединены в исходную шкалу серого. изображение (рис. 2c). Детали этого процесса проиллюстрированы на Рисунке 2 (c, d, e).Несколько вокселей, принадлежащих областям поглощения радиоактивных индикаторов и фону (рис. 2c), были обнаружены автоматически на первом этапе, и полученные в результате очертания ARW показаны на рис. 2d. Информация о текстуре и форме была извлечена из этих автоматически очерченных областей (см. Часть извлечения функций на рисунке 2b). Некоторые примеры разграничения из методов ARW (рис. 3b, синяя граница) и вариаций между и внутри наблюдателей (рис. 3a и рис. 3c, красная граница), соответственно, были наложены в двухмерной форме для сравнения.Кроме того, на рис. 4 a и b показана информация о поверхности очерченного объекта как в режиме визуализации объекта, так и в режиме параметрической поверхности.

Рис. 2. Показан пример представления предлагаемой нами структуры / программного обеспечения.

(a) Показаны автоматически обнаруженные области поглощения (первая), ее сегментированная версия (вторая) и слияние сегментированной области с исходным изображением (третье). После обнаружения детали заполнения объекта (синий) и фон (красный) и проведенной сегментации показаны на (c) и (d), соответственно.Сегментированная область (e) делится на локальные окна, и для каждого локального окна извлекаются предварительно определенные текстурные и геометрические характеристики (f). Инструменты для контроля извлечения текстурных особенностей, сегментации, анализа SUV и немедленных результатов показаны на (b).

https://doi.org/10.1371/journal.pone.0057105.g002

Рис. 3. Первый ряд: пример вариации между наблюдателями был продемонстрирован на объединенном ПЭТ-КТ-изображении (пользователь 1: желтый, пользователь 2: синие рисунки ).

Вторая строка: был продемонстрирован пример вариации внутри наблюдателя (пользователь 1 раз 1: синий, пользователь 1 раз 2: красные рисунки).Третий ряд: были продемонстрированы нарисованные пользователями (синий) и автоматически найденные (белые) границы областей поглощения.

https://doi.org/10.1371/journal.pone.0057105.g003

Рис. 4. Показан пример поверхностной пары, полученной из сегментированных областей поглощения (т. е. неспецифической массы из областей легких конкретного пациента).

Мы параметризуем поверхность (а) поражения, используя углы Эйлера граничных точек, и раскрашиваем точки поверхности по отношению к этим углам в радианах (b).Эта информация о форме (т.е. округлости) использовалась при продольной оценке изменений поглощения.

https://doi.org/10.1371/journal.pone.0057105.g004

Извлечение признаков

Описательная статистика и функции на основе гистограмм.

Описательная статистика измеряет вероятность наблюдения значения серого в выбранном месте изображения. Среднее, максимальное, минимальное, стандартное отклонение (SD), медиана и диапазон значений интенсивности — вот некоторые из примеров описательной статистики.Вся эта статистика может быть получена из гистограммы интенсивности вокселей изображений. Дальнейшая характеристика изменчивости данных также может осуществляться путем включения статистики более высокого порядка в анализ гистограммы. Например, некоторые особенности на основе гистограммы, такие как асимметрия, эксцесс, среднее абсолютное отклонение (MAD) и межквартильный диапазон (IRQ), обеспечивают естественный мост между изображениями и вероятностным описанием; однако оценка профиля плотности по экспериментальным точкам данных является сложной задачей, особенно потому, что количество точек данных ограничено.Принимая во внимание исследования, в которых для текстурной характеристики регионов поглощения радиоактивных индикаторов использовались особенности на основе гистограмм, точная оценка характеристик гистограмм часто невозможна. Таким образом, мы получили гистограмму, основанную на глобальных характеристиках текстурных областей, путем оценки плотности ядра с помощью диффузионного подхода [25]. Этот подход является точным и надежным непараметрическим методом, который может работать с небольшим количеством точек данных. Еще один важный вклад, который мы сделали, — это уловить локальные вариации глобальных характеристик.Поскольку хорошо известно, что область изображения имеет постоянную текстуру — если набор локальной статистики или другие локальные свойства функции изображения постоянны — медленно меняющаяся или приблизительно периодическая [19], то это было интерес для предоставления глобальной статистики в локальном смысле, чтобы различать и характеризовать текстуры интересующей области. Для этого мы извлекли описательную статистику и особенности на основе гистограмм из локальных участков (см.рисунок 2e), которые мы получили после разделения автоматически очерченных областей поглощения радиоактивных индикаторов на неперекрывающиеся блоки определенного размера (т.(например, использовались блоки размером 3 × 3, 5 × 5, 7 × 7, 9 × 9 и 11 × 11 пикселей, и было обнаружено, что наилучший размер блока составляет 7 × 7 пикселей и не перекрывается). Мы извлекли все функции из 2D-секций сегментированных 3D-объектов послойно и объединили их (то есть псевдо-3D) в порядке извлечения признаков, чтобы избежать дополнительной нагрузки выборки срезов и возможных эффектов частичного объема. Наилучший размер окна был выбран на основе наибольшего значения суммы значений взаимной информации (т. Е. Максимальной взаимной информации: MMI) по всем локальным окнам.Таким образом, мы извлекли глобальные характеристики в локальном смысле и вычислили вариации этих характеристик по всем локальным регионам (т. Е. У нас были дополнительные наборы функций, полученные путем вычисления стандартного отклонения вычисленных глобальных характеристик, таких как SD средней интенсивности, SD MAD, SD IRQ, SD эксцесса и др.).

Функции на основе матрицы совместной встречаемости уровней серого (GLCM).

Описательная статистика и особенности гистограммы зависят от индивидуальных значений вокселей, а не от взаимодействия или совместного появления значений соседних вокселей; поэтому они страдают от неспособности кодировать вариацию пространственного изображения.Поскольку особенности на основе GLCM в этом смысле являются статистикой второго порядка — оценка пространственного распределения уровней серого — методы выделения признаков на основе GLCM стали одним из самых известных и широко используемых методов выделения текстурных признаков для различных целей [13] . Некоторые из функций GLCM, используемых в нашей системе, включают энтропию, корреляцию, контраст и т. Д. Полный список функций приведен на рисунке 1. Функция энтропии, например, измеряет степень неопределенности (беспорядка) в изображении.С другой стороны, характеристика максимальной вероятности (MAX.PR) измеряет сумму вероятностей вокселей, имеющих наиболее общее значение для данной области. Функции GLCM помогают извлекать сложные свойства изображения, учитывая пространственные вариации вокселей, относящихся к конкретным интересующим областям. Однако в большей части литературы по характеристике поглощения радиоактивных индикаторов игнорировались не только локальные отклонения этих характеристик, но также не исследовался оптимальный размер окна для извлечения локальных и глобальных характеристик.Чтобы решить эту проблему, мы разделили регионы поглощения на локальные регионы, как объяснялось в предыдущем подразделе, а затем мы нашли лучший размер окна для локального и глобального анализа, проведя корреляционный анализ локальных регионов внутри регионов поглощения (т. Е. Для различные заранее заданные размеры окна, для выбора наилучшего размера окна использовалось наивысшее значение корреляции, полученное среди локальных регионов). Затем мы включили локальные стандартные отклонения извлеченных признаков в нашу предлагаемую систему для дальнейшей характеристики областей восприятия.В разделе результатов мы продемонстрировали, что некоторые текстурные особенности имеют более низкую корреляцию с SUV _max , чем их вариации.

Длина прогона.

Метод длин серий — это эффективный подход к анализу текстуры, который исследует грубость текстуры в определенном направлении (то есть количество прогонов с вокселями определенного уровня серого) [18]. На основе этой информации выводятся различные особенности текстуры, такие как краткосрочный акцент (SRE) или долгосрочный акцент (LRE) и т. Д.В основном, характеристики длины серии определяются для сегментированных областей изображения с учетом неоднородности этих областей. Статистические свойства перехода определенного уровня серого в изображении в значительной степени зависят от размера сегментированных областей; поэтому, в отличие от других исследований, описанных в литературе [2], [3], [12], [18], мы адаптивно выбрали размер окна для анализа прогонов, исследуя максимальную автокорреляцию между разными размерами локальных окон и Распределение вероятностей для каждой характеристики длины серии серого.На рисунке 1 показан полный список функций длин серий, используемых в нашем широком анализе. Обратите внимание, что здесь и в литературе [18] было показано, что характеристики длин серий обладают такой же дискриминационной информацией, как и традиционные особенности текстуры, такие как особенности GLCM. Пожалуйста, см. [4], [18] для технических деталей и дальнейших пояснений по функциям длин серий.

Особенности гауссовского марковского случайного поля (GMRF).

Большинство медицинских изображений являются изображениями Марковского случайного поля (MRF), то есть статистикой вокселя в медицинском изображении, которая связана со статистикой вокселей в его окрестности [27], [28].Сложная проблема при извлечении подходящих элементов из изображений — это извлечение надежных элементов, инвариантных к повороту и масштабированию. Например, хотя несколько опухолей с одними и теми же патологическими находками могут иметь разный размер и расположение на изображении, желательно, чтобы извлеченные текстурные признаки имели аналогичные значения, которые не зависят от их размера и местоположения, если нацелена характеристика по текстуре. MRF в этом случае может предложить решение этой проблемы, предоставляя мощный инструмент для моделирования вероятности пространственных взаимодействий в изображении.Путем включения предположения гауссовости в структуру MRF, мы смогли извлечь инвариантные к вращению и масштабированию текстурные особенности из сегментированных областей поглощения [17]. Модель GMRF была определена следующим уравнением [17], [27] 🙁 1.4) где уравнение обозначает вероятность того, что воксель (x, y) будет иметь определенное значение серого I _xy при значениях его соседей, n (n = 6 в данном конкретном исследовании) — общее количество пикселей в окрестности Z _xy и S _{xy; z} обозначает суммирование двух симметричных пикселей.Мы оценили параметры GMRF (т.е. и) с помощью метода оценки наименьших квадратов ошибки , аналогичного исследованию в [17].

Особенности формы.

Локальная связь между нечеткими / твердыми объектами и распределениями интенсивности, относящимися к этим объектам, достигается с помощью форм (геометрических) характеристик. В [5], [15] были исследованы некоторые методы оценки характеристик использования ¹⁸ F-FDG-PET в саркомах человека, так что показатель гетерогенности, включающий информацию о форме опухоли , оказался лучшим, по сравнению с одной мерой неоднородности.Точно так же мы закодировали 2D / 3D границы сегментированных областей и вычислили «округлость / сферичность» этих областей, а также фрактальную геометрию и информацию об объеме этих областей. Эти особенности были извлечены из трехмерных сегментированных областей поглощения радиоактивных индикаторов. Извлеченные признаки были использованы для изучения корреляции между функциональной информацией и анатомической границей функционального восприятия. В то время как объем (V) вычислялся путем умножения размера вокселя на количество вокселей, занятых в области поглощения, округлость (или, другими словами, сферичность) вычисляется как, где A обозначает площадь поверхности сегментированной области (т.е.е., внутренние воксели по отношению к сегментированным объектам не учитываются при вычислении площади поверхности). Сферичность измеряет несоответствие между формой объекта и идеальной сферой (т. Е. Округлостью). Кроме того, мы также извлекли фрактальную геометрию трехмерных сегментированных областей, где фрактал был определен как объект со свойством самоподобия, то есть он выглядит одинаковым при разном увеличении. Фрактальные меры часто используются для понимания основных явлений в различных биомедицинских приложениях, включая диагностику рака.Он предоставляет информацию о регулярности и сложности объекта путем количественной оценки уровня его самоподобия. Мы измерили фрактальные свойства сегментированных объектов методом подсчета ящиков, как описано ранее в [17], [29].

Результаты

Оценка сегментации

Коэффициент подобия игральных костей (DSC) [30] и расстояние Хаусдорфа (HD) [31] использовались для оценки точности сегментации по отношению к основной истине (то есть суррагатной истине), предоставленной экспертом вручную.Обратите внимание, что мы используем термины «основная истина» и «суррогатная истина» как синонимы. Кроме того, поскольку наш анализ включает только изображения ПЭТ, объем поражения следует рассматривать только как функциональный объем (функциональный объем не обязательно эквивалентен объему опухоли). Действительно, истинный объем опухоли можно подтвердить только с помощью гистопатологии. В то время как DSC — это измерение пространственного перекрытия (в процентах) между сегментированным объектом (поражением) и суррагатной истиной (очерченное вручную повреждение экспертами), HD — это показатель несходства формы, измеряющий наиболее несовпадающие граничные точки между сегментированным объектом и наземной истиной.Высокие значения DSC и низкие значения HD указывают на совершенство метода сегментации изображения. Кроме того, мы также проанализировали вариации между и внутри наблюдателей с помощью коэффициентов перекрытия DSC, поскольку простые корреляции Пирсона могут вводить в заблуждение [32] (т.е. сегментированные объемы могут иметь одинаковые значения, хотя объемы могут не перекрываться или перекрываться очень мало). Два опытных радиолога очертили области поглощения радиоактивных индикаторов в трех разных временных точках (одна неделя между рисунками и не видя рисунков друг друга). Рисунки каждого эксперта — в разные моменты времени — использовались для расчета коэффициентов согласия между наблюдателями.Таблица 2 суммирует оценку результатов сегментации для предложенного метода по сравнению с определениями среднего и индивидуального разграничения экспертов, а также соглашениями между наблюдателями и внутри наблюдателя. Метрики оценки (DSC и HD) сформулированы и подробно описаны в Приложении S1 .

Исследование связей между извлеченными элементами

Мы интегрировали все извлеченные текстуры, формы и функции SUV _max в неконтролируемый иерархический алгоритм кластеризации [33].Наша цель состояла в том, чтобы изучить сходства и различия функций и прояснить скрытые связи между функциями, которые могут быть объединены вместе, чтобы более точно предсказать морфологические свойства области поглощения радиоактивных индикаторов (без каких-либо заявлений о клинической полезности этих функций), таких как изменение объема и форма (т.е. морфологическая характеристика). Наличие кластеров в наборе данных часто связано с существованием определенных отношений между измеряемыми переменными.Более того, этим переменным неизвестна истинная принадлежность к группе (классу). Мы провели неконтролируемую кластеризацию измеряемых переменных, чтобы изучить истинное (или суррогатное истинное) членство. Мера несходства евклидова расстояния с методом полной утечки [34] использовалась для нахождения сильно коррелированных функций и их содержания в подобных кластерах. На рисунке 5 показан корреляционный анализ всех наборов признаков с помощью корреляционной матрицы (столбцы и строки которой показывают признаки) и графики дендограммы (т.е.е., иерархические древовидные структуры) для каждого признака были интегрированы в столбцы и строки корреляционной матрицы. Точно так же мы извлекли иерархические древовидные структуры только для функций, которые имеют статистически значимые значения корреляции со значениями SUV _max . Результирующая схема кластеризации проиллюстрирована на рисунке 6. Мы повторили один и тот же шаг для каждого типа функции отдельно (длина серии, GLCM и т. Д., Как показано на рисунках 5 и 6), чтобы уточнить, происходят ли функции из существенно другого класса. (членство) или нет (от R = −1 (белый) до R = 1 (темно-синий), рисунок 6).В частности, поскольку SUV _max является текущим стандартом количественной оценки регионов потребления, мы вычислили корреляции Пирсона всех характеристик с SUV _max, и сообщили только о существенно коррелирующих характеристиках в таблице 3; однако, чтобы повторить эту задачу, можно ввести различные функции количественной оценки. Среди всех функций, имеющих значительную корреляцию с SUV _max , интересно, что ни одна из функций не имеет того же кластера, что и SUV _max , то есть эти функции оказываются информативными в полуколичественном смысле, как SUV _{. max} сам.Другой потенциально важный вывод, наблюдаемый в Таблице 3 и на Рисунке 5, заключался в том, что стандартное отклонение (SD) некоторых функций — большинства функций GLCM и некоторых функций длин серий (например, LGRE.SD, GLN.SD, HGRE .SD и т. Д.) — превосходили характеристики по корреляционным измерениям. Обратите внимание, что некоторые функции на основе SD исходят из локального подхода, которому мы следуем при извлечении функций. В таблице 3, по сравнению с локальным подходом, мы также продемонстрировали эффективность глобального подхода к текстурному анализу, в котором элементы были извлечены из сегментированных регионов, без учета локальных вариаций элементов в пределах сцены.Из этого открытия очевидно, что не только глобальная неоднородность пространственных элементов обеспечивает лучшую ассоциацию между элементами, но и локальная неоднородность (SD) пространственных элементов и элементов формы также обеспечивает лучшую корреляцию, как согласовано с нашим первоначальным предположением.

Рисунок 5. Иерархическая кластеризация используется на основе корреляции всех имеющихся данных.

Корреляционная матрица вместе с кластеризацией (т. Е. Без центрирования по Пирсону) характерных точек представлена ​​от отрицательной корреляции R = -1 (белый) до положительной корреляции R = 1 (синий).

https://doi.org/10.1371/journal.pone.0057105.g005

Рис. 6. Корреляционная матрица получена с использованием только тех функций, которые имеют сильную корреляцию с функциями SUV _max .

Результирующие значения корреляции используются в алгоритме иерархической кластеризации, чтобы показать подробные взаимосвязи наборов функций. Снова значения корреляции изменяются от R = -1 отрицательной корреляции (белый) до положительной корреляции R = 1 (синий).

https: // doi.org / 10.1371 / journal.pone.0057105.g006

Корреляция текстуры, формы и SUV

При продольных измерениях областей поглощения мы проверили способность предсказания каждого извлеченного признака текстуры для оценки морфологических изменений, включая объем и округлость. Поскольку морфологические изменения, такие как объем и форма, могут отражать тяжесть заболевания [5], [15], предлагаемый нами метод также может использоваться в клинических задачах для прогнозирования этих морфологических факторов с использованием особенностей текстуры в сочетании с SUV.Однако для этого требуется широкий спектр клинических данных, а также достоверные данные из образцов биопсии. Кроме того, мы считаем, что ассоциации признаков на основе изображений должны быть выявлены до тестирования предложенной методологии для клинически более сложных задач. Поэтому в этом разделе мы ограничимся оценкой функций на основе изображений и анализом их предсказательной силы для построения (почти) оптимальных ассоциаций между функциями изображения. Мы использовали особенности формы (в частности, округлость) как основу для проверки отдельных характеристик изображения, не полагаясь полностью на SUV _max .Кроме того, мы также добавили в наш анализ функцию «изменение объема областей поглощения радиоактивных индикаторов», чтобы выяснить, существует ли корреляция с предлагаемыми информативными характеристиками. В таблице 4 представлены результаты анализа, в котором текстурные характеристики и характеристики SUV _max были совместно и индивидуально рассмотрены на предмет возможной связи с изменениями формы и объема в продольном направлении. Из результатов таблицы 4 мы пришли к выводу, что информация об изменении объема не имеет значительной корреляции с SUV _max ; однако текстурные особенности хорошо коррелируют с информацией об изменении объема.Кроме того, сочетание SUV _max и текстурных особенностей приводит к увеличению коэффициентов корреляции по сравнению с текстурными характеристиками или только SUV _max . Во всех случаях текстурные характеристики показали превосходные соотношения корреляции с SUV _max . На рисунке 7 показаны гистограммы, попарные корреляции Спирмена и коробчатые диаграммы выбранных пяти лучших характеристик, имеющих самые высокие значения предсказуемости в исходе для пациента или изменения характеристик области восприятия (то есть SUV _max , SD контрастного оттенка (CSHADE.SD), энтропия, максимальная вероятность (Max.PR) и SRE). Для выбора нескольких переменных и их использования в прогнозировании морфологических изменений использовалось простое логит-преобразование [32], так что параметры логит-преобразования были получены с помощью метода оценки максимального правдоподобия. Чтобы проверить оба параметра логит-регрессии и способность прогнозирования комбинированной модели, мы использовали метод выборки с перекрестной проверкой без исключения (LOOCV). С другой стороны, округлость и объем были объединены с помощью простой операции умножения, при которой поражения, имеющие одинаковый объем / округлость информации , отличались друг от друга информацией округлости / объема соответственно.Кроме того, мы обнаружили, что нет никаких существенных различий в объеме и округлости между наземными и сегментированными поражениями, как показано в таблице 2 по показателям DSC. Курсы DSC. Поскольку значения DSC приведены в Таблице 2, мы провели тест t и корреляционный тест Пирсона, чтобы найти корреляцию между измерениями объема и округлости наземных истинных данных и компьютерными вычислениями.Было получено высокое значение корреляции Пирсона R = 0,971, p <0,001 и R = 0,955, p <0,001 для измерений объема и округлости. Наконец, мы также определили, что вероятность этих выбранных признаков подчиняется нормальному распределению, используя тест Шапиро-Уилка [35]. В результате этого теста было обнаружено, что характеристики энтропии и Max.PR подчиняются нормальному распределению, а остальные - нет, как показано в таблице 5. Чтобы показать, что Max.PR и энтропия подчиняются нормальному распределению, но имеют существенно разные вариации, мы провели F-тест [36] между Макс.Характеристики PR и энтропии (F = 0,3042, 95% доверительный интервал = [0,1855 0,4987], p = 3,98e-6). Обратите внимание, что выводы о полезности функций были сделаны после того, как LOOCV был проведен для всех данных, как обычно, в методах контролируемого машинного обучения. После того, как выводы были сделаны с помощью предложенного метода, для любых невидимых исходных характеристик можно предсказать последующие морфологические изменения.

Рис. 7. Отобранные пять наиболее информативных признаков и их гистограммы, прямоугольные диаграммы со средним и медианным (диагональным) значением, однозначные регрессионные кривые в матричном формате строка-столбец (на нижней панели) и значения корреляции Спирмена ( в верхней панели).

https://doi.org/10.1371/journal.pone.0057105.g007

Таблица 4. Продольная оценка морфологических изменений регионов поглощения для SUV _max , текстуры и комбинированного SUV _max и особенности текстуры приведены с соответствующие коэффициенты Спирмена и p-значения.

https://doi.org/10.1371/journal.pone.0057105.t004

Обсуждение

¹⁸ Визуализация F-FDG-PET демонстрирует повышенный метаболизм с высоким контрастом, но локализация поглощения радиоактивных индикаторов ограничена низким пространственным разрешением изображений PET.Несмотря на то, что высокий контраст между опухолью и нормальной тканью на ПЭТ-изображениях может уменьшить вариабельность в областях опухоли, вариабельность наблюдателя в очерчивании опухоли по-прежнему высока при качественном использовании ПЭТ-изображений. Изменение уровня окна может значительно изменить видимый объем и форму опухоли; Следовательно, качественное определение целевого объема и четко определенных границ опухоли с использованием изображений ПЭТ не является простым и сильно зависит от интерпретатора изображений.

Большинство автоматизированных методов определения поглощения аномальных радиоактивных индикаторов — в тканях — основано исключительно на установлении порогового значения для абсолютного значения интенсивности ПЭТ.Как несоответствие в поглощении радиоактивных индикаторов среди пациентов, так и вариабельность поглощения радиоактивных индикаторов в нормальных и аномальных тканях у отдельных пациентов влияют на эффективность этих автоматизированных методов. Кроме того, эти методы пороговой обработки также игнорируют информацию «текстуры», получаемую на изображениях ПЭТ.

Одним из важных аспектов нашей работы является то, что все методы сегментации, выделения признаков и статистического вывода были основаны исключительно на функциональных ПЭТ-изображениях. Мы использовали это как жесткое ограничение, чтобы максимизировать извлеченную информацию и использовать эту информацию в качестве основы для возможного включения различной информации.

Еще одним сильным аспектом нашего метода извлечения признаков является использование адаптивного (в дискретном смысле) размера окна. Очень похожий подход к исследованию данных был недавно опубликован Reshef et al [37]; однако есть также ограничение в этом сильном адаптивном методе извлечения признаков, который мы предложили здесь, и аналогично в исследовании Reshef et al [37]. То есть не существует гарантированного оптимального размера окна для процедуры выбора функций из-за ограничения разрешения и скрытого (и, следовательно, нечеткого) характера изображений — поскольку мы можем дать только , почти оптимальное решение для выбора размера окна.Это важно из-за извлечения статистически точных характеристик из областей восприятия, а также из-за того, что изменчивость между локальными окнами часто несет более ценную информацию, чем извлеченные характеристики сами по себе. Это совершенно новый вопрос, который требует дальнейшего изучения в других условиях; например, различные методы визуализации (например, МРТ и КТ) и вариации измерений SUV.

В этой работе мы не обсуждали включение анатомической информации в функциональную область ПЭТ, а скорее представили широкий анализ морфологических характеристик, как по форме, так и в пространственном пространстве.В качестве расширения этого исследования мы стремимся адаптировать наш метод извлечения признаков к конкретной структуре объекта и модальности, где методы извлечения признаков оптимально находят специфичную для субъекта функциональную и анатомическую информацию из аномальных областей (например, из КТ или МРТ) и соответствующих области поглощения (например, из сканирования ПЭТ) одновременно.

Выводы

Мы представили структуру, в которой мы автоматически сегментировали области поглощения радиоактивных индикаторов с высокой точностью. Наши результаты показывают, что извлеченные характеристики формы и текстуры, а также измерения SUV из сегментированных регионов обеспечивают широкий анализ морфологической характеристики функциональной информации.Наш подход позволил получить уникальную оценку морфологических характеристик, которую можно использовать отдельно или вместе с измерениями SUV для прогнозирования продольных изменений объема и формы областей поглощения. На основании наших экспериментальных результатов мы пришли к выводу, что некоторые из текстурных характеристик, таких как энтропия, максимальная вероятность и информация о контрастном затенении локальных пространственных областей, краткосрочный акцент и изменчивость этих характеристик в разных локальных окнах, потенциально несут наиболее ценные, и их предсказуемость морфологические изменения формы и объема областей поглощения превосходят результаты измерений, основанных на единичной интенсивности.Интеграция извлеченных функций с измерениями SUV может улучшить нашу способность понимать морфологические изменения регионов поглощения с течением времени. Мы также подчеркнули, как точная сегментация расширила наше понимание информации о форме, извлеченной из областей поглощения, и насколько хорошо она согласуется с результатами знаковых исследований [5], [15].

Вклад авторов

Рукопись критически переработана: XC DJM JY. Задумал и спроектировал эксперименты: UB DJM. Проведены эксперименты: UB KMJ XC.Проанализированы данные: JY DJM UB. Предоставленные реагенты / материалы / инструменты анализа: XC UB. Написал статью: UB KMJ DJM.

Список литературы

1. 1. Catana C, Procissi D, Wu Y, Judenhofer MS, Qi J, et al. (2008) Одновременная позитронно-эмиссионная томография in vivo и магнитно-резонансная томография. Proc Natl Acad Sci U S A 105: 3705–3710.
2. 2. Хатт М., Шез-ле Рест С., ван Баардвейк А., Ламбин П., Прадье О. и др. (2011) Влияние размера опухоли и неоднородности поглощения индикатора в (18) F-FDG PET и CT для определения опухоли немелкоклеточного рака легкого.J Nucl Med 52: 1690–1697.
3. 3. Tixier F, Le Rest CC, Hatt M, Albarghach N, Pradier O и др. (2011) Внутриопухолевая гетерогенность, характеризующаяся текстурными особенностями на исходных изображениях ПЭТ с 18F-FDG, предсказывает ответ на сопутствующую радиохимиотерапию при раке пищевода. Журнал Nucl Med 52: 369–378.
4. 4. Эль-Нака I, Григсби П., Апте А, Кидд Э, Доннелли Э и др. (2009) Изучение подходов на основе характеристик в изображениях ПЭТ для прогнозирования результатов лечения рака. Распознавание образов 42: 1162–1171.
5. 5. O’Sullivan F, Roy S, Eary J (2003) Статистическая мера неоднородности тканей в применении к данным 3D-ПЭТ саркомы. Биостатистика 4: 433–448.
6. 6. Hatt M, Cheze le Rest C, Turzo A, Roux C, Visvikis D (2009) Нечеткий локально адаптивный байесовский подход к сегментации для определения объема в ПЭТ. IEEE Trans Med Imaging 28: 881–893.
7. 7. Montgomery DW, Amira A, Zaidi H (2007) Полностью автоматизированная сегментация онкологических объемов ПЭТ с использованием комбинированной многомасштабной и статистической модели.Med Phys 34: 722–736.
8. 8. Эрди Й.Е., Мавлави О., Ларсон С.М., Имбриако М., Йунг Х. и др. (1997) Сегментация объема поражения легких с помощью пороговой обработки изображения адаптивной позитронно-эмиссионной томографии. Рак 80: 2505–2509.
9. 9. День Е, Бетлер Дж., Парда Д., Райтц Б., Кириченко А. и др. (2009) Метод выращивания области для сегментации объема опухоли на изображениях ПЭТ для пациентов с раком прямой и анальной кишки. Med Phys 36: 4349–4358.
10. 10. Джентцен В., Фройденберг Л., Эйзинг Э. Г., Хайнце М., Брандау В. и др.(2007) Сегментация объемов ПЭТ с помощью итеративного определения порога изображения. Журнал Nucl Med 48: 108–114.
11. 11. Шанкар Л.К., Хоффман Дж. М., Бахарах С., Грэм М. М., Карп Дж. И др. (2006) Консенсусные рекомендации по использованию ПЭТ с F-18-FDG в качестве индикатора терапевтического ответа у пациентов в исследованиях национального института рака. Журнал ядерной медицины 47: 1059–1066.
12. 12. Zhu SC, Liu XW, Wu YN (2000) Изучение текстурных ансамблей с помощью эффективной цепи Маркова Монте-Карло — К теории текстуры «трихроматичности».Ieee Транзакции по анализу шаблонов и машинному интеллекту 22: 554–569.
13. 13. Харалик Р.М., Шанмуга К., Динштейн И. (1973) Текстурные особенности для классификации изображений. Ieee Транзакции по системному человеку и кибернетике Smc3: 610–621.
14. 14. Розенфельд А., Вешка Дж. С. (1975) Сравнительное исследование показателей текстуры для классификации местности. Технический отчет Отчет Tr-361 Afosr-tr-75-1036 Контракт F44620-72-c-0062 Март 1975 г. Центр компьютерных наук, Мэрилендский университет, Колледж-Парк 65 P Ntis: Ad-a012 905; Hc.
15. 15. О’Салливан Ф., Рой С., О’Салливан Дж., Вернон С., Ири Дж. (2005) Включение формы опухоли в оценку пространственной неоднородности сарком человека, отображаемых с помощью FDG-PET. Биостатистика 6: 293–301.
16. 16. Кросс Г.Р., Джейн А.К. (1983) Модели текстуры случайного поля Маркова. IEEE Trans Pattern Anal Mach Intell 5: 25–39.
17. 17. Аль-Кади OS (2010) Текстура измеряет комбинацию для улучшенной классификации гистопатологических изображений менингиомы.Распознавание образов 43: 2043–2053.
18. 18. Tang XO (1998) Информация о текстуре в матрицах длин серий. Ieee Транзакции по обработке изображений 7: 1602–1609.
19. 19. Коггинс Дж. М., Джейн А. К. (1985) Подход с пространственной фильтрацией к анализу текстуры. Письма о распознавании образов 3: 195–203.
20. 20. Chen X, Bagci U (2011) Автоматическая трехмерная анатомическая сегментация на основе итеративного графического разреза-ASM. Med Phys 38: 4610–4622.
21. 21. Bagci U, Bray M, Caban J, Yao J, Mollura DJ (2012) Компьютерное обнаружение инфекционных заболеваний легких: обзор.Comput Med Imaging Graph 36: 72–84.
22. 22. Багчи У, Яо Дж., Кабан Дж., Тюркбей Э., Арас О. и др. (2011) Теоретико-графический подход к сегментации изображений ПЭТ. Conf Proc IEEE Eng Med Biol Soc 2011: 8479–8482.
23. 23. Багчи Ю., Удупа Дж., Яо Дж., Моллура Д. (2012) Совместная сегментация функциональных и анатомических изображений. Вычисление медицинских изображений и компьютерное вмешательство — MICCAI 2012: 459–467.
24. 24. Grady L (2006) Случайные блуждания для сегментации изображений.Ieee Транзакции по анализу шаблонов и машинному интеллекту 28: 1768–1783.
25. 25. Ботев З.И., Гротовский Дж. Ф., Крезе Д. П. (2010) Оценка плотности ядра с помощью диффузии. Анналы статистики 38: 2916–2957.
26. 26. Bouaynaya N, Charif-Chefchaouni M, Schonfeld D (2008) Теоретические основы пространственно-вариативной математической морфологии, часть I: бинарные изображения. IEEE Trans Pattern Anal Mach Intell 30: 823–836.
27. 27. Комодакис Н., Парагиос Н., Циритас Г. (2011) Минимизация энергии MRF и за ее пределами с помощью двойного разложения.Ieee Транзакции по анализу шаблонов и машинному анализу 33: 531–552.
28. 28. Бесаг Дж. (1986) О статистическом анализе грязных картинок. Журнал Королевского статистического общества. Серия B-Methodological 48: 259–302.
29. 29. Холл П., Вуд А. (1993) О производительности оценщиков фрактальной размерности с подсчетом ящиков. Биометрика 80: 246–252.
30. 30. Дайс Л. Р. (1945) Меры количества экологической ассоциации между видами. Экология 26: 297–302.
31. 31. Cignoni P, Rocchini C, Scopigno R (1998) Метро: Погрешность измерения на упрощенных поверхностях. Форум компьютерной графики 17: 167–174.
32. 32. Инглис Дж. (1975) Теоретическая статистика — Кокс, доктор и Хинкли, Дв. Технометрика 17: 513–513.
33. 33. Swartzla E (1974) Введение в статистическое распознавание образов — Fukunaga, K. Ieee Транзакции по системному человеку и кибернетике Mc 4: 238–238.
34. 34. Эверит Б. (1980) Кластерный анализ.Качество и количество 14: 75–100.
35. 35. Шапиро С.С., Уилк М.Б. (1965) Тест дисперсионного анализа на нормальность (полные выборки). Биометрика 52: 591– &.
36. 36. Марковский К.А., Марковский Е.П. (1990) Условия эффективности предварительного дисперсионного теста. Американский статистик 44: 322–326.
37. 37. Решеф Д. Н., Решеф Ю. А., Финукейн Х. К., Гроссман С. Р., Маквин Г. и др. (2011) Обнаружение новых ассоциаций в больших наборах данных. Наука 334: 1518–1524.

Late Breaking Резюме — Морфологические и иммунофенотипические особенности легочной ткани на ранней стадии COVID-19

Резюме

Введение: Несмотря на накопление данных о клинических и визуальных особенностях COVID-19, его патогенез все еще плохо изучен. Большинство данных, касающихся морфологии и молекулярных изменений, относится к посмертному анализу; однако ценность выполнения биопсии легкого у живых пациентов значительно выше, чем у аутопсий умерших пациентов, поскольку они могут дать представление о сложности патофизиологии заболевания.

Цели: мы изучаем морфологические и молекулярные особенности пациентов, пораженных COVID-19, которым была сделана биопсия легкого в разное время в ходе заболевания: либо на более ранней, либо на более поздней стадии.

Методы: сравнительное многоцентровое проспективное обсервационное исследование. Было набрано 24 пациента. Образцы легких были получены либо с помощью криобиопсии, либо с помощью TBB или SLB.

Результаты: в большинстве «ранних» фаз пневмонии морфологические изменения не соответствовали типичному паттерну DAD; экссудативная фаза с мембранами ялина и альвеолярный коллапс отсутствовали.Альвеолярное повреждение было неоднородным, от очаговой гиперплазии AECII до обширной узловой пролиферации. Участие линейных AECI было лишь частичным; в запущенных случаях присутствовали стойкие остатки нормально выглядящего AECI. Широкая панель иммуногистохимических маркеров была только что применена в образцах (цитокератин-7, цитокератин 5/6, TTF1, CD34, тубулин бета-3, альфа-SMA, CD163, CD14, CD20, CD138, CD3, CD4, CD8, T- bet, FoxP3, Gata-3, PD1, TCF1). Также были исследованы молекулы, участвующие в передаче сигналов, пролиферации и активации клеток (бета-катенин, фосфо-STAT3, PDL-1, IDO, HLA-DR, CD25, гамма-фибриноген).

Сноски

Цитируйте эту статью как: European Respiratory Journal 2020; 56: Дополнение. 64, 4147.

Этот тезис был представлен на Международном конгрессе ERS 2020 г., в секции «Респираторные вирусы в эпоху« до COVID-19 »».

Это тезисы Международного конгресса ERS. Полнотекстовая версия недоступна. Дополнительные материалы, сопровождающие этот тезис, могут быть доступны на сайте www.ers-education.org (только для членов ERS).

• Copyright © Авторы 2020

Алгоритм морфологических признаков вилочковой железы при сепсисе у необнаруженных

Ш.Зияев

Андижанский государственный медицинский институт, ул. Атабекова, 1, г. Андижан, Республика Узбекистан

Адрес для переписки: Ш. Зияева, Андижанский государственный медицинский институт, Республика Узбекистан, г. Андижан, ул. Атабекова, 1.

© 2020 Автор (ы).Опубликовано Scientific & Academic Publishing.

Эта работа находится под лицензией Creative Commons Attribution International License (CC BY).
http://creativecommons.org/licenses/by/4.0/

Аннотация

В данной статье проведено морфологическое и морфометрическое исследование вилочковой железы недоношенных детей, умерших от различных патологий, с разработкой алгоритма морфологических признаков, характерных для той или иной патологии вилочковой железы.Морфометрическое исследование тимуса недоношенных детей, умерших от различных причин, показало, что при недоношенности масса и весовой коэффициент тимуса низкие и они связаны со степенью недоношенности и разнообразием причин смерти. Составление алгоритма морфологических изменений для определения той или иной патологии в тимусе позволило определить критерии нормального развития и формирования тимуса и отставания в развитии, гипоплазии, дисплазии и преждевременной атрофии тимуса на фоне недоношенности. и развитие различных заболеваний.Эти данные могут быть использованы в качестве диагностических критериев при морфологической оценке тимуса новорожденных.

Ключевые слова: Тимус, Сепсис, Перинатальный, Гистоструктура, Новорожденные, Морфология

Цитируйте эту статью: Sh. Зияев, Алгоритм морфологических признаков тимуса во время сепсиса у неограниченного населения, Американский журнал медицины и медицинских наук , Vol.10 No. 9, 2020, pp. 635-638. DOI: 10.5923 / j.ajmms.20201009.01.

1. Введение

В последние десятилетия проблема неонатального сепсиса снова стала актуальной. Как известно, в 80-е годы ХХ века произошло снижение количества случаев этого грозного заболевания за счет расширения спектра антибактериальной и иммунозаместительной терапии. Однако сейчас частота сепсиса у новорожденных увеличилась и составляет 0.1-0,2% у доношенных и 1-1,5% у недоношенных [4-6]. Это означает, что развитие неонатального сепсиса определяется в первую очередь характеристиками реактивности и в основном неспецифическими — способностью создавать барьеры от инфекции.

На сегодняшний день, несмотря на наличие значительного количества исследований, вопросы морфологического состояния органов иммунной системы при различных патологических состояниях у детей, особенно у недоношенных, остаются малоизученными [1-3].Центральный орган иммуногенеза, тимус, в этом отношении не является исключением. Фундаментальные исследования последних лет подтвердили его ключевую роль в иммунном гомеостазе. Однако на сегодняшний день функциональные исследования этого органа преобладают над морфологическими. Литературные данные о морфологических изменениях вилочковой железы при различных патологических состояниях носят описательный характер и характеризуют в основном качественные сдвиги от ее гистоструктуры [3,4], тогда как в условиях патологии, в частности при сепсисе у недоношенных детей, без количественной оценки, развивающейся в При морфологических аномалиях вилочковой железы получить целенаправленную информацию невозможно.На сегодняшний день нет единого подхода к оценке изменений гистоструктуры вилочковой железы при различных патологических процессах, а также неоднозначных данных о наиболее часто встречающихся морфологических изменениях вилочковой железы при недоношенных. В связи с изложенным в данной работе была поставлена ​​цель провести системный анализ и разработать алгоритм оценки морфологических признаков дифференцировки и перестройки тимуса при сепсисе в зависимости от степени недоношенности.

2.Методика

Объектом исследования стал тимус 63 недоношенных детей, умерших в неонатальном периоде от сепсиса. По весу недоношенные дети были разделены на 4 степени: 2000–2500 г –– I –– степень, 1500–1999 г –– II –– степень, 1000–1499 –– III –– степень и до 1000 г –– IV — степень. — недоношенность. В качестве контроля исследовали тимус 16 новорожденных с массой тела более 3000 г, родившихся в срок и умерших от черепно-мозговой травмы. Во время вскрытия тимус выделяли, взвешивали и определяли весовой коэффициент вилочковой железы (WCT).Для гистологического исследования кусочки тимуса фиксировали в 4% растворе формалина на фосфатном буфере и после обезвоживания в спиртах заливали парафином. Срезы толщиной 5-8 мкм окрашивали гематоксилином и эозином, согласно Ван Гизону, и настраивали реакцию Шика. Для унификации учета морфологических изменений вилочковой железы в условиях недоношенности и различных патологий разработан алгоритм оценки морфологических признаков.

3. Результаты

Результаты из Исследование показало, что при недоношенности низкими не только индексы массы тела, но и масса внутренних органов , в частности иммуногенез центрального органа тимуса, также снижается, что приводит к развитию иммунодефицитного состояния у новорожденных.Было отмечено, что чем меньше масса тела недоношенных детей, тем меньше масса вилочковой железы и значительно снижен весовой коэффициент вилочковой железы по сравнению с нормой. При I и II степени недоношенности, хотя масса тела несколько увеличивается, масса тимуса остается в низком количестве и, следовательно, весовой коэффициент тимуса также значительно снижается (таблица 1).

Таблица 1 . Морфометрические показатели массы тела и вилочковой железы при перинатальном сепсисе в зависимости от степени недоношенности, в граммах

При гистологическом исследовании патоморфологических изменений На фоне недоношенности и развития различных заболеваний использовался алгоритм. Все морфологические изменения были пронумерованы последовательными номерами, и для сравнительного изучения их возникновения они были перенесены в проценты (таблица 2).

Таблица 2. Алгоритм морфологических признаков вилочковой железы в норме и при сепсисе, в%

4. Обсуждение

Исследования установили, что в большинстве наблюдений отмечается сохранение общей гистоархитектоники тимуса. В этих случаях было четкое разделение на корковый и мозговой слои, сегменты большого или среднего размера, строма выражена слабо.В мозговом веществе располагались тельца тимуса, количество которых весьма разнообразно.

Микроскопическая структура вилочковой железы во всех группах недоношенных детей, умерших от сепсиса, была связана с массой тела, индексом массы и степенью атрофии вилочковой железы, а также тяжестью септического явления, вызвавшего смерть. В контрольной группе новорожденных нормальные значения гистоструктуры вилочковой железы составили следующую стереотипную последовательность нумерации морфологических признаков вилочковой железы: 2, 6, 8, 11, 14, 15, 21, 23, 25, 26, 32, 34.Проще говоря, вилочковая железа состоит в основном из больших и средних долек, небольшого количества стромы, жировой ткани нет, лобулярной гипоплазии и рисунка «звездное небо» не наблюдается, в сегментах четко различимы границы слоев, Gassal тела среднего размера, встречаются в умеренном количестве, они определяют положительную массу ПАВ. Если при исследовании вилочковой железы определяется следующее количество морфологических признаков: 3, 6, 11, 16, 21, 24, 25, 33, то это соответствует отставанию в развитии и гипоплазии вилочковой железы.По нашим наблюдениям, эти признаки были обнаружены у недоношенных детей с сепсисом на фоне морфологической и функциональной несостоятельности. При этом морфологически отмечается, что дольки вилочковой железы мелкие, строма развита слабо, гипопластична, в некоторых случаях границы слоев вилочковой железы не определяются, количество тельцов Гасса значительно уменьшено, размер их невелик. и в состоянии формирования.

Известно, что все возможные инфекционные и неинфекционные заболевания матери при беременности являются факторами риска развития поражений в органах иммунной системы, в том числе вилочковой железе.Выявленные нами морфологические аномалии гистоструктуры тимуса, отличные от нормы, были приняты как признаки атипичной инвазии тимуса. Которые обозначались следующей нумерацией: 3, 4, 7, 14, 16, 17, 19, 22, 27, 28, 29, 30, 31, 32, 38, 39, 40. В данном случае была представлена ​​вилочковая железа. морфологически небольшими сегментами, при выраженной инверсии ткани долек строма утолщена за счет склероза, иногда с наличием жировых клеток.В дольках граница слоев не определяется, тельца Гасса крупные, кистозно расширенные с гиалинозом и обызвествлением. Эпителиоретикулярные клетки в состоянии гипертрофии и дисплазии, между которыми значительно снижено количество лимфоцитов. Такие морфологические изменения, характерные для атипичной случайной инвазии тимуса, в наших наблюдениях были у недоношенных детей с перинатальным сепсисом (табл. 2).

В тимусе преждевременных смертей от септической инфекции в сочетании с врожденными пороками развития выявлено увеличение размеров эпителиоретикулярных клеток с вакуолизацией цитоплазмы, появление в ней включений различного происхождения и нарушение образования ядер .Эти изменения оцениваются как эпителиоретикулярная дисплазия, а алгоритм морфологических изменений был следующим: 3, 4, 7, 9, 16, 17, 21, 24, 25, 38, 39, 40. Дисплазия ретикулоэпителия и тельца Гасса. морфологически выявлено неравномерное распределение лимфоцитов в обоих слоях долек, дольки имеют разные размеры и форму, границы слоев не определены, строма неравномерно утолщена с наличием очагов скопления жировой ткани, склероза и ретикулеза.

5. Выводы

1. Морфологические и морфометрические показатели, а также масса и весовой коэффициент вилочковой железы недоношенных детей, погибших от гнойного явления, значительно ниже нормы и зависят от степени недоношенность и тяжесть сепсиса.

2. Алгоритм морфологических признаков вилочковой железы у доношенных новорожденных состоит из положительной нумерации, показывающей морфофункциональную зрелость органа в виде гистотопографической организации больших и средних долек, стромы слабой, без признаков поражения. липоматоз, гипоплазия, дисплазия с хорошо различимыми слоями в дольках и средним размером тельцов Гассала.

3. Составление алгоритма морфологических изменений для определения той или иной патологии в тимусе позволило определить критерии нормального развития и формирования вилочковой железы, а также признаки отставания от нормы, гипоплазии, дисплазии. и преждевременная атрофия вилочковой железы на фоне как недоношенности, так и начала септического явления.

4. Увеличение числа в алгоритме тимуса, показывающее отрицательные морфологические изменения, соответствовало диспластическим и атрофическим процессам в виде: отставания формирования гистотопографии органа от нормы, гипоплазии, атипичных аварий, дисплазии эпителиоретикулярной строма, являющиеся морфологическими признаками иммунодефицитного состояния.

Список литературы

---

.

80.

[1]	Аминова Г.Г. Цитоархитектоника тимуса крысы. Архив AGE — 1987, №11, -П. 73-76.
[2]	Ивановская Т.Е. Патология вилочковой железы у детей. -Санкт-Петербург Петербург. СОТИС, 1996.-П. 271.
[3]	Краюшкин А.И. и др. Анатомические варианты формы вилочковой железы кролика в пренатальном и постнатальном онтогенезе. -Морфология. 2000 г., том 118, №15, -П. 36-39.
[4]	Самсыгина Г.А., Яцык Г.В. Сепсис новорожденного. В кН. «Руководство по педиатрии. Неонатология» М .: 2005, Династия, — С. 337-352.
[5]	Соботюк Н.В. и др. Иммунный статус доношенных и недоношенных новорожденных от матерей с неблагоприятным течением беременности в онтогенезе.- Морфология, 2000, Том 118. № 15, -С. 44-47.
[6]	Шабалов И.П. Неонатология Т. 2. М .: 2007, — 600 с. (На русском языке).
[7]	Эдоардо Ди Наро, Антонелла Кроми, Фабио Геззи, Луиджи Райо, Джузеппе Ловерро, Инволюция тимуса плода: сонографический маркер синдрома воспалительной реакции плода. Американский журнал акушерства и гинекологии, том 194, выпуск 1. Январь 2006 г., страницы 153-159.
[8]	Абдул Рехман, Нур Ул-Айн Балоч, Джон П.Морроу, Пал Пачер, Дьердь Хаско, Нацеливание на рецепторы, сопряженные с G-белком, в фармакологии и терапии сепсиса Том 211, июль 2020 г., статья 107529.
[9]	Сунг Кюн Ли, Санг Ду Ким, Ха Ён Ли, Suk-Hwan Baek, Yoe-Sik Bae, α-Изо-кубебен, природное соединение, выделенное из плодов лимонника китайского, обладает терапевтическим эффектом против полимикробного сепсиса. Сообщения биохимических и биофизических исследований, том 426, выпуск 221, сентябрь 2012 г., страницы 226-231.
[10]	Штеффен Кунцманн, Керстин Глоггер, Джаспер В. Бин, Сухас Г. Каллапур, Борис В. Крамер, изменения тимуса после хориоамнионита, вызванного интраамниотическим липополисахаридом у плодов овец. Американский журнал акушерства и гинекологии. Выпуск 5, май 2010 г., страницы 476.e1-476.e9.
[11]	Иоганн Себастьян Браун, Константин Прасс, Ульрих Дирнагл, Андреас Майзель, Кристиан Майзель, Защита от повреждения мозга и бактериальной инфекции при инсульте мышей с помощью нового ингибитора каспаз Q-VD-OPH Experimental Neurology Volume 206 , Выпуск 2, август 2007 г., страницы 183-191.
[12]	Александр Канаширо, Карлос Хироджи Хироки, Дениз Мораиш да Фонсека, Александр Бирбрайр, Фернандо Кейруш Кунья, Роль нейтрофилов в нейроиммунной модуляции, Pharmacological Research Volume 151, январь 2020 г., статья 101062
[13]	Лаура Амая-Урибе, Мануэль Рохас, Голамреза Азизи, Хуан-Мануэль Анайя, М. Эрик Гершвин, Первичный иммунодефицит и аутоиммунитет: всесторонний обзор журнала аутоиммунитета, том 99, май 2019 г., страницы 52-72.
[14]	Лаура Кучлер, Лиза К. Ша, Анника К. Гигерих, Тило Кнапе, Андреас фон Кнетен, Повышенный интратимический сфингозин-1-фосфат способствует инволюции тимуса во время сепсиса «Молекулярная иммунология», том 90, октябрь 2017 г., страницы -263.
[15]	Hiroyoshi Machida, Sumito Inoue, Yoko Shibata, Tomomi Kimura, Masafumi Watanabe, Тимус и регулируемый активацией хемокин (TARC / CCL17) прогнозируют снижение легочной функции у пациентов с хронической обструктивной болезнью легких. пресса, исправленная корректура Доступно онлайн 20 мая 2020 г.
[16]	Зейнаб Зарей-Бехджани, Масуд Сулеймани, Амир Аташи, Сомайе Эбрахими-Бароу, Амир Али Хамиди, отслеживание меченных GFP неограниченных соматических стволовых клеток, трансплантированных в мышиную модель сепсиса и клеточный объем 60 Ткань. Добавить комментарий Отменить ответ Ваш адрес email не будет опубликован. Обязательные поля помечены * Комментарий * Имя * Email * Сайт